墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
3.5k累计阅读
3.6k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
AI摘要
本文深入探讨了量子计算的关键概念，包括量子门的性质、测量的原理、混态和密度矩阵的描述、Bloch球的数学表示、复合系统的处理、施密特分解的应用、量子傅里叶变换的实现以及相位估计法和量子操作的理解。内容涵盖量子计算的基础理论与实际操作，适合对量子计算感兴趣的读者学习。
目录
https://forum.originqc.com.cn/blog/blogPersonalText.html?blogId=EB017BD80B4FB6D32F8884AE6E0A1A30
答案为：A、D
自身乘以自己的共轭转置，如果还为自身，就是合法的量子门。
答案：A
注意题目中给到的信息，这里不是外积而是张量积，别看错了。
只需要再将这个态经过一次H门即可，到时候再代入值计算。
其中倒数第四行到倒数第三行用到以下知识。
答案为：C
就是简单的向量乘积问题。
答案是：B
先用归一化求出γ。再求出密度矩阵，再求tra(A)。
答案为：C
寻找正交基进行张量积。
答案是：B
记着规律就行了。中间是RZ门，角度为RZ(pi/2**(n-m))。
最外面是iswap门。
答案为：C
答案为：C
主要是根据题目意思进行计算。
量子计算初步（线性代数篇）
向量符号的表示<a|（行向量）|a>（列向量）2.注释：左矢，又称左边的向量，一个行向量左乘一个矩阵。右矢，放在矩阵右边相乘的列向量，亦成为右矢。3.运算表示：左矢用于左乘以矩阵：<a|M右矢用于右乘矩阵：M|a>乘积符号的表示<a|b>|a><b||a>|b>（或者，|a,b>）（或者，|a>(x)|b>）2.注释：内积结果是一个数。外积结果是一个矩阵。张量积结果是一个更高维的矩阵。3.计算表达式：内积是同下标元素相乘的累加和：<a|b>=(累加a)aibi。
量子计算（4）基础知识2：量子逻辑门（中）
量子逻辑门之旋转门与CNOT门
中小学信息学相关编程比赛清单及报名网站汇总（C++类）
中小学信息学相关编程比赛清单及报名网站汇总（C++类）
施密特分解
施密特分解 我在学习施密特分解时还是不小心绕了些弯的【谢罪】，现在用简单的话解释一下什么时施密特分解。 施密特分解Schmidt Decomposition 是处理2bit量子态的一个有效的工具。数学表述如下: ∀∣ψ⟩∈H2∣ψ⟩=∑i∣i⟩A∣i⟩B,其中，{∣i⟩A}和{∣i⟩B}是各自空间的正交归一化的态 \forall |\psi\rang \in \mathcal{H_2}\\ |\p...
量子计算与量子信息知识点整理和习题答案
量子计算与量子信息--尼尔森线性代数前半部分（2.1.1-2.1.5）的知识点整理以及所有习题的答案，自己认为这本书些许有点难啃，之前学的线代也忘得差不多了，所以整理不易。 如有不足，请多指正！欢迎一起讨论关于这本书的内容~~
量子：《面向计算机科学家的量子计算》一书中的练习
量子：《面向计算机科学家的量子计算》一书中的练习
有关量子计算机的题,量子计算的发展试题.doc
量子计算的发展摘要：量子计算是量子力学的新进展,它是一种和传统的计算方式迥然不同的新型计算.其概念是全新的,它将使计算技术进入一种前所未有的新境界。对于某些问题,量子计算机可以达到常规计算机不能达到的解题速度.量子计算机可以解决常规计算机不能解决的某些问题量子计算由于其强大的并行计算能力和可以有效的模拟量子行为的能力而日益受到人们的关注。本文介绍了量子计算的含义以及对于未来量子计算的发展前景。引言...
Tiff、jpg图片怎么样添加地理坐标信息
Tiff、jpg图片怎么样添加地理坐标信息 一般，外业调查只有地图资料，如专题图、或者地形图，如何把这些地图资料的扫描地图带上坐标信息，从而内业实现信息化处理？以上问题，可以解决，但根据不同情况有不同的处理方法。 第一种，上面有经纬度外框，图片是矩形，但是没有地理信息。 通过图框的两个角的坐标确定范围，分别是左上（140°E，30°N）；右下（150°W，30°N） 解决方
第二届CCF“司南杯”专业组答辩入围名单公布！
第二届CCF“司南杯”量子计算编程挑战赛由中国计算机学会（CCF）主办、CCF量子计算专业组和安徽省量子计算工程研究中心（本源量子）承办、国家超级计算郑州中心和中国移动云能力中心协办的第二届CCF“司南杯”量子计算编程挑战赛已于今年4月初正式开赛，全球近千支队伍同台竞技，参赛队伍数同比增长37%，选手覆盖9个国家，是国内目前规模最大的量子计算编程挑战赛。历经三个月的激烈比拼，经赛事组委会最终审定，...
别再到处找了！GWAS数据下载保姆级指南：从IEU、FinnGen到UK Biobank一站搞定
本文提供GWAS数据下载的全面指南，涵盖IEU OpenGWAS、FinnGen、UK Biobank等五大核心数据库的获取策略。从数据库选型到实战操作，详细解析数据搜索、下载、预处理全流程，帮助科研人员高效获取GWAS数据，特别适合初学者快速上手。
利用netmq在相机应用于unity之间传输图像数据
Unity工业相机接入方案解析 本文探讨了在Unity中接入不同品牌工业相机的技术方案。研究发现： Basler相机可直接调用官方DLL（pylonc.net.dll）实现接入 海康和大恒相机因驱动DLL依赖C++组件，无法直接调用 解决方案：通过独立进程（相机应用程序）与Unity进行通信，采用NetMQ实现图像数据传输 技术实现要点： 相机端：使用PublisherSocket发布JPEG图像帧 Unity端：通过SubscriberSocket订阅图像数据 优化：设置高水位线控制缓存帧数，避免数据堆积
CCF编程能力等级认证（GESP）
CCF编程能力等级认证（GESP）
本地部署DeepSeek-Coder-6.7B 离线版的完整指南：打造适配当前系统的AI助手
《DeepSeek-Coder-6.7B本地部署指南》详细介绍了如何离线部署这款专注于代码生成的AI模型。文章涵盖硬件要求（推荐8核CPU、32GB内存、NVIDIA RTX3080显卡）、软件依赖（Python3.8+、CUDA11.0+、PyTorch1.9+）以及具体安装步骤，包括模型下载、路径配置和GPU加速设置。重点说明如何通过输入系统配置文档和使用说明书，让模型生成适配特定系统的代码，并提供了参数调优和模型微调的方法。该指南旨在帮助开发者在本地安全高效地使用AI助手，实现代码自动生成与优化，提升
量子赋能、共赢未来：首届CCF量子计算大会在郑州成功举办
量子计算被普遍认为将是引领新一代信息技术革命并引发技术产业革命性创新发展的新领域。为了顺应量子计算发展的大势，认识我国量子计算的发展优势和面临的挑战，助力十四五国家战略性科技前沿领域发展，CCF主办了第一届量子计算大会。大会于8月20日-8月21日在河南省郑州市成功举办，主题为“量子赋能、共赢未来”。△大会主题本次大会由CCF主办，CCF量子计算专业组、战略支援部队信息工程大学、郑州大学联合承办，...
揭秘LLM如何预测下一个词
Transformer结构的大语言模型（LLM）通过自回归训练学习预测下一个词汇，其核心能力源自权重矩阵的动态优化。自注意力层的Wq/Wk/Wv矩阵捕捉语义关联，前馈网络的W1/W2矩阵进行非线性特征提取，LM Head的W_{lm}矩阵将语义映射到词汇概率。训练过程中，这些矩阵通过反向传播不断调整，最终使模型能够根据上下文（如"我"→"爱"）生成合理的后续词汇。这种基于矩阵变换的数学机制是LLM智能生成文本的本质原因。（150字）
控制科学与工程（自动化）保研经验【2】——南开、同济篇
禁止转载 1、南开人工智能学院夏令营 保研之旅第一个夏令营就是南开，南开夏令营非常早（6月份），当时我们专业仅有两人入营。夏令营前一天我们两个坐高铁来到了天津，几经辗转来到了南开的津南校区，非常偏僻。在自己找的酒店住了一晚，第二天一早去学院报到，资格审查、报销路费等等，然后开营仪式，吃饭，入住酒店，实验室参观。 开营仪式和实验室参观了解到，南开人工智能学院是国内第一批人工智能学院，和很多高...
【量子计算编程与实践】
作者本人参加第一届CCF量子计算编程挑战赛的经验总结，准备出版一本书供下一届比赛做参考。这里这篇文章会持续更新，逐步完善，公开编写，接受大家的指正与建议。
机器人视觉联动精度优化：从±2mm到±0.02mm，产线级手眼标定全实战
2025年我接东莞长安Type-C接口分拣项目的时候，就是栽在了手眼标定上：实验室里标定完精度±0.5mm，一到产线直接掉到±2mm，机器人10次有3次抓不住，2000多件Type-C接口直接报废，还撞坏了2套汇川SCARA机器人的吸盘，本来45天的工期拖了3个月，不仅没赚到钱，还倒贴了几万块。手眼标定从来不是简单的跑个demo、算个矩阵就完事了，它是一个系统工程：从硬件选型、安装固定、相机标定、标定流程、算法优化、环境控制、重复验证，每一个环节都会影响最终的联动精度。
中小学信息学相关比赛汇总（C++类）
1、NOI系列比赛（CSP-J CSP-S NOIP NOI APIO CTSC IOI ISIJ等） NOI官网 NOI全国青少年信息学奥林匹克竞赛https://www.noi.cn/ 2、蓝桥杯青少年创意编程大赛 http://kid.lanqiao.cn/ 3、中国电子协会考评中心 http://www.qceit.org.cn/bos/default.html 4、PAT https://www.patest.cn/ 5、中国青少年编程能力等级测评(CPA) h
YOLO26优化：特征融合 | 一种新颖的多尺度特征融合iAFF，适配小目标检测
在YOLO26中如何使用：iAFF加入Neck替代Concat；
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
量子计算（13）基础知识4：量子测量
量子测量及两大原理
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
量子计算和量子信息习题8.6（量子操作的组合）
(Composition of quantum operations) Suppose E and F are quantum operations on the same quantum system. Show that the composition F◦E is a quantum operation, in the sense that it has an operator-sum representation. State and prove an extension
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
CCF司南杯练习题1
司南杯练习题
量子计算：司南杯初赛练习2
例如，对于单量子比特系统，其状态空间是二维希尔伯特空间 H，常用的计算基 {∣0⟩,∣1⟩} 就是一组正交基。因为 ⟨0∣1⟩=0 且任意单量子比特态 ∣ψ⟩=α∣0⟩+β∣1⟩（α,β∈C 且 ∣α∣2+∣β∣2=1）都可以由 ∣0⟩ 和 ∣1⟩ 线性组合得到。A. 和经典计算一样，任何一个量子门都可以被一组有限个量子门通过有限的组合而成。D. Hadamard门、T门和CNOT门可以以任意精度模拟任何一个量子门。C. 泡利门（X、Y、Z）和CNOT门可以以任意精度模拟任何一个量子门。
5.5 QR分解一：施密特正交化
介绍了使用Gram-Schmidt正交化进行QR分解的步骤与方法。
施密特正交化
相信大家在平时的期末考试中一定少不了对某某向量组执行标准正交化类型的题目。今天我们从这个题目入手，说明这个如何执行施密特正交化，以及为什么要进行正交化。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
462
扫一扫
